ไม่ว่าคุณจะเป็น Data Analyst, Data Engineer, Software Developer เป็นคนที่กำลังสนใจในสายอาชีพเหล่านี้ หรือเป็นคนที่สนใจในโลกของเอไอ และหวังสร้างอาชีพที่ก้าวหน้าในเส้นทางของเอไอ Deep Learning เป็นหัวข้อที่คุณควรเรียนเป็นอย่างมาก
เพราะการมีความรู้ความเข้าใจด้านเอไอ ที่ลงลึกไปถึงระดับความสามารถในการสร้างโมเดล Deep Learning ได้นั้น ถือเป็นทักษะที่ช่วยให้คุณก้าวหน้าในแวดวงของเอไอและดาต้าได้ไม่น้อยเลย
คำจำกัดความสั้น ๆ ของ Deep Learning นั้นหมายถึง โมเดลเอไอประเภทที่เลียนแบบการทำงานของโครงข่ายประสาทของมนุษย์เรา ทำให้สามารถเรียนรู้เองได้อัตโนมัติ ใกล้เคียงกับสมองของมนุษย์
อ่านมาถึงตรงนี้ก็เห็นความเป็นไปได้มากมายที่ Deep Learning สร้างได้แล้วใช่มั้ยครับ? ใครอยากเรียน Deep Learning วันนี้เซอร์ทิสมาชวนเปิดสรุป Roadmap ว่าจะต้องเรียน Deep Learning อย่างไร? เริ่มที่ตรงไหน? และไปต่ออย่างไรบ้าง? พร้อมแล้วไปดูกันเลย!
1. เริ่มต้นทบทวนทักษะทางคณิตศาสตร์
ซึ่งทักษะทางคณิตศาสตร์คือพื้นฐานสำคัญที่ช่วยให้คุณเข้าใจกลไกของอัลกอริทึม Deep Learning โดยทักษะจำเป็นที่ต้องเรียนรู้นั้น ได้แก่
ความน่าจะเป็นและสถิติ ในหัวข้อทฤษฎีของ Bayes การแจกแจงความน่าจะเป็น และการทดสอบสมมุติฐาน
พีชคณิตเชิงเส้น (Linear Algebra) ในหัวข้อของเมทริกซ์ (Matrix) และเวกเตอร์ (Vectors)
แคลคูลัส (Calculus) ในหัวข้อของ แคลคูลัสเชิงอนุพันธ์ (Differential Calculus) และแคลคูลัสเชิงปริพันธ์ (Integral Calculus)
2. เรียนภาษาเขียนโปรแกรม
อีกทักษะที่ต้องเริ่มฝึกฝนต่อมาคือทักษะด้านภาษาเขียนโปรแกรม ซึ่งเป็นสิ่งที่จำเป็นมากถ้าหากอยากฝึกฝน Deep Learning จนเชี่ยวชาญ โดยภาษาที่ใช้งานกับ Deep Learning นั้นมีหลากหลาย ที่ใช้กันอย่างแพร่หลายนั้นได้แก่ Python, R, C และ Java
ซึ่ง Python และ R คือภาษาเขียนโปรแกรมที่เหมาะในการทำงานกับ Deep Learning ที่สุด และ Python ยังเป็นภาษาที่เรียนได้ง่าย มี Syntax ที่ตรงไปตรงมา นอกจากนี้ยังมี Library และ Framework ให้เลือกใช้มากมาย ทำให้ทำงานได้ง่าย สะดวกสบายขึ้น
3. เรียนรู้การทำ Data Wrangling
ทักษะการทำ Data Wrangling ซึ่งคือทักษะการจัดการ แปลง และจัดระเบียบข้อมูล ก็เป็นอีกทักษะที่จำเป็นมาก โดยการสร้างโมเดล Deep Learning นั้นจำเป็นต้องทำงานกับข้อมูลมหาศาล ดังนั้นเราจึงจำเป็นต้องมีทักษะด้าน Data Wrangling เพื่อใช้แปลงข้อมูลและเตรียมข้อมูลให้พร้อมใช้งานกับโมเดล
โดยทักษะด้าน Data Wrangling ประกอบย่อยด้วยหัวข้อต่าง ๆ ดังนี้:
การทำ Data Pre-Processing ซึ่งเป็นขั้นตอนในการเตรียมข้อมูล ตั้งแต่การทำความสะอาดข้อมูล เลือกใช้ข้อมูล และแปลงข้อมูล
กระบวนการ ETL (Extract, Transform, Load) โดยเป็นกระบวนการในการดึงข้อมูลจากแหล่งข้อมูลที่ต้องการ แปลงให้อยู่ในรูปแบบที่เหมาะสม และจัดเก็บไว้ที่ปลายทางตามที่เราต้องการ
ฐานข้อมูล (Database) ประเภทต่าง ๆ เช่น MySQL, Oracle และ NoSQL
4. ศึกษาอัลกอริทึม Machine Learning แบบต่าง ๆ
อีกทักษะสำคัญที่ขาดไม่ได้เลย ได้แก่การทำความเข้าใจเกี่ยวกับโมเดล Machine Learning รูปแบบต่าง ๆ เนื่องจากก่อนจะพัฒนาไปสู่ Deep Learning ได้นั้น การมีพื้นฐานความเข้าใจเรื่องอัลกอริทึม Machine Learning ต่าง ๆ เป็นเรื่องจำเป็นมาก โดยประเภทของอัลกอริทึมที่ควรศึกษามีดังนี้:
อัลกอริทึมประเภท Classification เช่น Naive Bayes, Decision Trees, และ Random Forest
อัลกอริทึมประเภท Regression เช่น Linear Regression, Decision Tree for Regression, และ Support Vector Regression (SVR)
อัลกอริทึมประเภท Clustering เช่น K-Means Clustering และ Hierarchical Clustering เป็นต้น
5. ศึกษาอัลกอริทึม Deep Learning แบบต่าง ๆ
มาถึงทักษะสำคัญกันแล้ว นั่นก็คือการเรียนรู้เกี่ยวกับอัลกอริทึม Deep Learning แบบต่าง ๆ เพื่อให้เข้าใจการทำงานของอัลกอริทึมแต่ละแบบ และสามารถเลือกใช้ได้อย่างเหมาะสม โดยประเภทของอัลกอริทึมที่ควรศึกษา ประกอบไปด้วย:
Artificial Neural Network
Convolutional Neural Network
Recurrent Neural Network
Generative Adversarial Network
Deep Belief Network
Long Short-Term Memory Network
นอกจากนี้ทักษะอื่น ๆ ที่ควรเรียนยังรวมไปถึง:
วิธีการตั้งโจทย์และเลือกใช้อัลกอริทึมให้เหมาะสม
วิธีการสร้างโมเดลด้วยการใช้อัลกอริทึมหนึ่งอัน หรือหลายอัน
วิธีการเพิ่มประสิทธิภาพของโมเดลให้แม่นยำ
6. ศึกษา Deep Learning Framework
Deep Learning Framework คือเครื่องมือประสิทธิภาพสูงที่ช่วยอำนวยความสะดวกและประหยัดเวลาในการทำงานให้เรา โดยไม่ต้องเขียนโค้ดเองจากศูนย์ ปัจจุบันมี Deep Learning Framework แบบ Open-Source ให้เราได้ใช้งานกันฟรีมากมาย เราจึงควรศึกษา Framework เหล่านี้ไว้เพื่ออำนวยความสะดวกในการทำงาน
Deep Learning Framework ที่แนะนำให้ศึกษา ได้แก่:
TensorFlow
Theano
scikit-learn
PyTorch
Keras
Deeplearning4j (DL4J)
Caffe
Microsoft Cognitive Toolkit
7. ลงมือทำโปรเจกต์จริง
ไม่มีการเรียนรู้แบบไหนที่ดีเท่าการลงมือทำจริง ดังนั้นในขั้นตอนสุดท้ายของ Roadmap นี้จึงเป็นการลงมือทำโปรเจกต์ Deep Learning เป็นของตัวเอง นอกจากจะได้ฝึกฝนแล้ว โปรเจกต์เหล่านี้ยังสามารถเก็บไว้เป็น Portfolio สำหรับสมัครงานได้อีกด้วย
ตัวอย่างโปรเจกต์ที่น่าสนใจและเหมาะจะฝึกทำมีดังนี้:
Face Recognition
Image Classification
Cat vs. Dog Classifier
Handwritten Digit Recognition
Spam Email Detector
โดยควรฝึกเรียนรู้จากการทำโปรเจกต์หลาย ๆ แบบ ประเมินผล ระบุข้อบกพร่อง และกลับมาพัฒนาใหม่ให้ดีกว่าเดิม
การฝึกฝนอย่างต่อเนื่องคือเส้นทางหนึ่งเดียวสู่การเป็นผู้เชี่ยวชาญด้าน Deep Learning เซอร์ทิสขอเป็นกำลังใจให้ทุกคนนะครับ
ที่เซอร์ทิส เราเป็นแหล่งรวมของคนมีแพสชันด้านเอไอและดาต้าที่พร้อมเรียนรู้และเติบโตไปด้วยกัน ทำความรู้จักกับ Life at Sertis ไม่ว่าจะเป็นทีม วัฒนธรรม และชีวิตที่เซอร์ทิสในแง่ต่าง ๆ พร้อมดูตำแหน่งที่เปิดรับสมัครได้ที่: https://www.careers.sertiscorp.com/
Comentarios